在 action chunking 已经成为 VLA（视觉-语言-动作模型）主流配置的当下，「一次究竟执行多少步动作」几乎都被视为固定超参数。北京大学与微软亚洲研究院的一项最新研究指出：这一默认设定本身，恰恰可能是机器人任务失败的重要根源——它会让重规划变成与任务进度脱节的周期性调度；一旦没有任何一次重规划恰好发生在关键操作阶段之前，机器人就只能带着已经过时的 action chunk 进入关键执行环节。
研究团队据此提出 Bernoulli-Continuation Policy（BCP）。该方法冻结基座 VLA，仅训练一个 16.4M 参数的轻量级 head，把「应该执行多久」拆解为一连串「继续执行还是重新规划」的伯努利决策，并通过 GRPO 基于轨迹级结果进行优化。在 RoboTwin 2.0 全部 50 个任务上，LingBot-VLA 的平均成功率从 89.88% 提升至 93.94%，在 VLA 方法中达到 SOTA；在真机挂马克杯任务中，成功率也从 44% 提升至 84%。
论文标题：Continue or Replan? Bernoulli-Continuation Policy Learning for Adaptive Horizon ExecutionarXiv：2608.03483项目主页：https://fleetfootwork.github.io/BCP/
一、研究背景：一个长期被当作工程细节的关键决策维度
Action chunking 使 VLA 不再逐步预测单个动作，而是一次性生成未来一段动作序列。这种做法既能降低模型推理频率，也有助于提升动作时序的一致性。在 chunk-based VLA 中通常存在两个 horizon：prediction horizon 表示模型一次预测多少步动作，execution horizon 则表示这批动作里有多少步会被真正执行，执行完成后机器人再重新观测环境并进行规划。
OpenVLA、π_0.5、LingBot-VLA 等主流 VLA 工作普遍采用固定的 execution horizon。在自由空间中的粗粒度运动阶段，这样做通常问题不大——更长的动作序列往往更平滑、更稳定；但当任务进入接触、对齐、夹爪闭合等对精度高度敏感的阶段时，微小位姿误差就可能快速累积，机器人必须在进入这些环节前重新观测环境。而固定重规划节奏并不能保证这一点。
为了量化这一问题，研究团队设计了一个 phase-shift 实验：所有变体都使用完全相同的 50 步 horizon，唯一差别在于第一个 chunk 只执行 φ 步后就重新规划，之后仍然每 50 步规划一次。也就是说，模型与 horizon 完全一致，唯一改变的是重规划边界落在什么位置。RoboTwin 2.0 的 50 个任务结果如下所示：
最高结果与最低结果之间相差 11.3 个百分点。需要注意的是，这里的 Upper / Lower Bound 都属于 hindsight oracle，在真实部署中不可能提前获知。但这一实验清楚说明了一件关键事实：replanning timing，也就是重规划时机，本身就是一个非常强的决策变量。
在 Placing Dual Shoes 任务中，这种差异尤为直观：当 φ=32 时，机器人执行了一个已经失效的夹爪闭合动作，最终导致任务失败；而当 φ=23 时，恰好有一次重规划发生在关键操作阶段之前，机器人获得了新的观测信息，因此能够准确完成抓取并顺利完成任务。在同一任务上，最佳相位的成功率达到 92%，而最差相位仅有 80%。
图 1 同一模型、同一 50 步 horizon，仅改变重规划边界的落点：φ=32 时夹爪闭合幅度过时导致失败，φ=23 时边界恰落在操作阶段前而成功。成功率随相位在 0.80–0.92 间剧烈波动。
更重要的是，最优相位并不存在可复用的统一规律。论文统计了 50 个任务各自的最佳 φ，并进行了卡方拟合优度检验：χ² = 5.00，p = 0.287，无法拒绝均匀分布的原假设。也就是说，关键时刻会在不同任务、不同阶段出现在不同时间点，因此不存在一个固定相位能够对齐所有对精度敏感的操作阶段。
基于这一发现，论文提出了核心问题：给定一个已经预测好的 action chunk，机器人究竟应该执行多久，再停下来重新规划？
二、方法：三个挑战，对应三项设计
要学习这样的自适应执行策略并不容易。论文明确总结出三个核心挑战，并分别给出了解决方案。
图2：BCP框架。冻结的VLA预测定长的action chunk，Bernoulli-Continuation Head复用其表征输出一串「继续概率」，据此选定执行horizon；整体通过GRPO+Replanning-Efficiency Reward进行优化。
2.1 候选 horizon 之间具有天然的前缀共享结构
例如执行 40 步与执行 50 步时，前 40 个动作完全相同，二者差别只在于第 40 步之后是否继续执行。标准 softmax 分类器却会把不同候选 horizon 当成彼此独立、没有顺序关系的类别，从而忽略这种天然存在的前缀共享结构。
Bernoulli-Continuation Head 的设计思路是：输出 M−1 个 logit，并通过 sigmoid 转换为一组「继续执行概率」
这种因子化分解与 chunk 执行本身的嵌套结构高度一致：只有当当前 chunk 被连续判断为可信时，策略才会逐步走向更长的 horizon；与此同时，相邻 horizon 的概率也天然更接近。这正是传统分类策略缺乏的序数归纳偏置，也是 BCP 能更自然建模执行长度决策的重要原因。
2.2 per-chunk 监督信号本身不可辨识
每一次 horizon 决策都会与后续 chunk 以及之后的决策相互耦合。相同的最终任务结果，可能由多种不同的 horizon 序列共同导致，因此并不存在唯一正确的 ground-truth 停止标签。基于这一点，研究团队没有采用监督学习，而是使用 GRPO 直接从轨迹级结果中优化策略。
2.3 只用成功率奖励会导致 horizon 向过短方向塌缩
短 horizon 天然更加保守。如果仅使用二值成功率作为奖励，策略很容易退化为高频重规划，从而浪费昂贵的 VLA 推理调用。为了解决这个问题，论文设计了 Replanning-Efficiency Reward（RER），在保证成功率优先的同时兼顾规划效率。
首先定义相对效率项，其中 C 表示 VLA 的调用次数，tanh 用于限制数值范围：
对于失败轨迹，奖励直接归零，与效率无关，因此策略无法通过「更短但失败」的方式进行套利，任务成功仍然始终占据主导地位；
这一设计还改善了 group-based 优化效果。若仅使用二值成功奖励，当一个 group 中的轨迹全部成功或全部失败时，就无法产生有效梯度；而加入效率项后，可以根据 VLA 调用次数进一步区分成功轨迹，使得即使在全成功 group 中也能产生非零 advantage。参考轨迹的锚定还保证了当「固定策略成功、自适应策略失败」时，系统依然能够获得明确的负向学习信号。只有当参考轨迹与全部自适应轨迹都失败时，该 group 才会被丢弃，从而显著缓解稀疏任务奖励带来的梯度稀疏问题。
三、实验结果
3.1 RoboTwin 2.0：在 VLA 方法中达到 SOTA 表现
以 LingBot-VLA 作为底座，在原始成功率低于 90% 的 13 个低成功率任务上：
Clean：75.15% → 86.23%（+11.08%）Randomized：73.54% → 83.46%（+9.92%）
在全部 50 个任务上：
Clean：89.88% → 93.94%（+4.06%）Randomized：88.78% → 92.84%（+4.06%）
这一结果让 BCP 在所有对比的 VLA 方法中取得 SOTA，同时也接近了 WAM 的最佳表现。单任务中提升最明显的是 Hanging Mug：41% → 87%（Randomized 下为 36% → 62%）；其余如 Blocks Ranking Size（70% → 88%）、Turn Switch（60% → 72%）、Click Alarm Clock（80% → 91%）、Place Object Scale（80% → 91%）等任务，也都包含对精度敏感的抓取、放置或交互环节。
尤其值得注意的是，BCP 仅在 Clean 设定下训练，但在直接迁移到 Randomized 设定后，依然获得了 +4.06% 的一致增益。这说明它学到的并非特定视觉条件下的过拟合策略，而更像是「什么时候可以继续信任当前 chunk、什么时候必须及时重新规划」这类与任务阶段密切相关的执行知识。
这种收益在不同底座模型上同样成立：在 ABot-M0 上，13 个任务分别提升 +10.69%（Clean）和 +11.77%（Randomized）；在 ACT 上也取得了 +5.38% 的提升。
图 3 RoboTwin 2.0 定性对比。BCP 在关键操作阶段前主动缩短 horizon（40 步 / 20 步）刷新观测，避免带着过时 chunk 执行。
3.2 LIBERO / LIBERO-PRO：任务难度越高，优势越明显
在更强调泛化能力的 LIBERO-PRO 基准上，BCP 带来了 +6.8% 的性能提升，相比 AAC 高出 2.9 个百分点；并且在扰动幅度最大的 ×0.4 设定下，优势最为明显（16.8% vs 11.8%）。这说明自适应 execution horizon 在高难度、强扰动场景下更具价值。
3.3 重规划更多，但总体运行时间反而更低
Continuation head 每次推理只带来 2.03 ms 的额外开销。虽然 VLA 的调用次数略有增加，但由于动作执行更准确、无效运动明显减少，总执行步数从 269 步下降到 248 步。按 50 Hz 控制频率综合计算后，整体运行时间反而更低。
在与 8 种执行策略（Random、Fixed 20/30/40、Action Trigger、Uncertainty Proxy、AAC、AutoHorizon）的成功率–运行时间权衡对比中，BCP 同时取得最高成功率和最低运行时间。Fixed 20 甚至没有超过 full-chunk 基线，这说明更短的 horizon 并不天然更优；而 Uncertainty Proxy 与 AAC 因为需要采样多个 chunk 来估计不确定性或熵，其运行时间则明显更高。
图 4 50 个任务上的成功率–运行时间权衡。BCP（红星）同时位于最高成功率与最低运行时间处；Uncertainty Proxy 与 AAC 因需采样多个 chunk 而运行时间显著更高。
3.4 消融实验：三个核心组件逐一验证
通过消融实验，可以得到三个非常明确的结论：
其一，仅训练一个 16.4M 参数的轻量级 head，就已经基本追平微调 442.8M 参数 action expert 的效果（78% vs 79%），两者参数规模相差约 27 倍。这直接支持了论文的核心判断——这类失败在很大程度上来自重规划时机的错配，而不一定是基座 VLA 的动作生成能力不足。
其二，将 softmax 替换为 Bernoulli-Continuation Head 后，成功率进一步提升 +5%（78% → 83%），验证了显式建模 horizon 序数关系和前缀共享结构的实际价值。
其三，加入 RER 后又额外带来了 +4%（83% → 87%）的提升，同时将 VLA 调用次数从 13.825 降低到 10.158，运行时间从 21.55 s 降低到 18.17 s。可以看到，在没有 RER 时，BC Head 的确存在向短 horizon 塌缩的保守倾向，相应的 VLA 调用次数也是最高的。
超参数实验还进一步表明，候选 horizon 的粒度同样十分关键：当候选集合从 {15, 20, 25, …, 50} 改为更粗粒度的 {20, 30, 40, 50} 后，成功率从 87% 降至 78%。这说明过于粗糙的候选集合会迫使策略在关键阶段停得过早或过晚。至于 Transformer 深度，2 层效果最佳（1 层 82%，4 层 84%，6 层 83%）。
3.5 真机实验：AGIBOT G1 上同样有效
在 AGIBOT G1 真机平台上，研究团队以 LingBot-VLA 为基座，每个任务采集 250 条任务特定的遥操作轨迹，并与 2000 条通用抓取轨迹联合训练 SFT 策略；随后仅使用 128 条真实轨迹训练 BCP，且基座 VLA 始终保持冻结。在评测阶段，每个任务都在相同的 50 个 seed 上分别进行三次实验：
Grasping Bottle（瓶身光滑、抓取位姿容错低）：74% →92%Hanging Mug（杯柄与挂钩的相对位置误差要求小于 2 cm）：44% →84%，同期 AAC 为 48%
从执行序列可以看出，BCP 会在接近关键操作阶段时主动缩短 horizon，在抓取与悬挂动作前刷新观测，从而生成更精准、更稳健的动作。
图 5 真机 AGIBOT G1。抓瓶子 74% → 92%，挂马克杯 44% → 84%。
四、总结与局限
这项工作的价值并不只是把成功率提高了几个百分点，更重要的是，它指出了一个长期被当作工程细节的问题：execution horizon 本身就是一个重要且能够以较低成本优化的决策维度。
当大量研究都在聚焦「如何让动作生成更准确」时，这篇论文表明，相当一部分机器人任务失败其实来自「机器人在错误时机闭着眼继续执行」——而修复这一问题，只需要额外引入一个 16.4M 参数的轻量级 head。由于基座 VLA 在整个过程中保持冻结、具备即插即用特性，并且单次前向即可得到结果，因此 BCP 对已经部署的 chunk-based VLA 系统具有非常直接的迁移和落地价值。
当然，论文也明确说明了方法边界：BCP 只负责决定什么时候停止执行当前 chunk 并重新规划，并不会修改 VLA 本身生成的动作序列。它的有效性依赖于基座 VLA 至少能够生成基本合理、可执行的 action chunk；如果预测出来的动作本身就存在明显错误，那么仅靠调整 execution horizon 或重规划时机，依然不足以纠正整条执行轨迹。
作者简介
作者团队来自北京大学和微软亚洲研究院，共同一作 Weichen Xu 为北京大学在读博士生，目前在 MSRA 实习；共同一作 Zhenhua Liu 为 MSRA 高级研究员；通讯作者 Jiaolong Yang 担任 MSRA 资深研究员主管，研究方向为 3D 视觉与具身智能。